棉花质量检测技术研究分析.pptVIP

* 当折射率n=1.58，其仿真结果如3.1.1b图所示： 由仿真结果可以看出，随着入射角的增大，反射率随之增大，透射率随之减小。 图3.1.1b 入射角与反（透）射率关系 * 3.1.2 多层纤维模型 当光线入射到纤维表面时，会有一部分透射如棉纤维，会在下一层棉纤维上继续发生各种光学现象。其模型图如图3.1.2所示： 图3.1.2 多层纤维模型 * 随着层间距离的增大S随之增大。而索丝棉结现对于标准棉来说，d相对较小，因此当平行光进行照射时，索丝棉结更加明亮。 折射率的关系相互间会形成一定的位移，其位移量可S 表示为： * 因为在棉纤维所产生的各种光中，漫反射是主要部分，因此，应选择平行光结合暗场照明，可以实现图像灰度的高对比度，从而便于疵点的提取。 由图3.2中的棉纤维模型仿真结果，并结合3.3 节中的模型知，在检测时，应尽量减小入射角 ，从而可以实现索丝棉结出亮度比标准棉亮度高，可实现对索丝棉结的提取识别。 其中S随入射角的变化的仿真结果如图3.1.3所示： 图3.1.3 随入射角的变化 * 图3.2.1 实验装置图 3.2 实验装置 * 3.3图像处理算法 3.3.1 减法算法: 将连续的线扫描图像做减法处理，可以有效的消除背景，提取出目标物。 图3.3.1 减法算法流程图 * 3.3.2 连接算法：在线扫描过程中，线与线间会出现间断现象，为了是扫描后的图像尽量还原为真实，需对减法处理后的图像进行间断点连接处理，实现图像的连续性。 图3.3.2 连接算法流程图 * 3.3.3 程序算法 : 利用形态学进行处理让图像更加圆滑；去除小面积，减少噪声对结果的影响；并将孔洞部分进行填充，使处理效果更佳。 图3.3.3 程序算法流程图 * 3.3.4 处理结果: 原始图像 减法处理图 滤波，除噪 连接处理图 形态学处理 * 对所得疵点进行区域分离，求取棉结，索丝两种疵点的形状特征参量并统计，以便进行区分. 3.4 基于BP神经网络的分类器设计 离散指数 长方形度 * 长轴短轴比 扩展度 固靠度 离心率 * 由统计图可看出，棉结，索丝的以上六个形状参量有明显区别。以选取40个训练样本的6种形状特征参量作为输入层，棉花的索丝，棉结的识别率作为输出，对BP神经网络分离器进行训练，进而得到轧棉质量的分级情况，对每个等级20个测试样本进行识别，识别正确率为81.25%。 3.5 实验结果 * 4. 基于D-S证据理论的决策级融合 D-S 证据理论是由 Demster 和 Shafe 提出的一种信息融合方法，能够有效解决带有不确定性知识的模式识别问题。其多个概率分配函数的组合规则如下式: 其中 : * 应用该进行信息融合的关键是根据现有证据构造基本概率分配函数（BPA）文利用两个 RBFNN 分类器的输出结合各自的识别正确率分别构造每个样本的基本概率分配函数。每个样本的 BPA 构造公式为： 式中，n=1 表示彩色图像中对颜色特征识别结果，n=2表示彩色图像中对纹理特征识别结果，n=3表示对近红外图像特征识别结果，i=1，2，3，4表示 轧棉质量优，良，中，差4 个等级。 * 4.1 算法步骤： * 轧棉质量分级 优 20 13 14 18 19 近红外 （形状） 中 20 16 13 14 19 差 20 13 15 16 18 实际数量 正确识别个数 正确率（%）100 71.25 73.75 81.25 93.75 彩色 （颜色） 彩色 （纹理） 融合 良 20 15 17 17 19 4.2 样棉融合结果 * 5.结论 我们提出了一种基于彩色与近红外图像信息决策级融合的轧棉质量等级识别方法。 在彩色图像的处理上，利用形态学处理，欧式距离法将其融合为一个通道进行疵点提取。并在疵点识别时使用面积法，识别出疵点并进一步实现分级。提取纹理参量，利用 BP神经网络分类器进行轧棉质量等级识别。 在近红外图像的处理上，提取索丝，棉结两种疵点并求取其